针对高等教育本科教学场景中的学生成绩预测问题，提出了一种基于课程知识图谱（KG）的预测算法。首先，构造一个表示课程信息的课程知识图谱。然后，分别使用基于邻节点的方法和基于知识图谱表示学习的方法基于知识图谱计算课程在知识层面的相似度，并将课程的知识相似度集成到传统的成绩预测框架协同过滤（CF）中。最后，通过实验对比了融合知识图谱的算法和常见成绩预测算法在不同数据稀疏度场景下的性能。实验结果显示，在数据稀疏场景下，基于邻节点的算法和传统协同过滤算法相比，均方根误差（RMSE）下降约11%，平均绝对误差（MAE）下降约9%；基于图谱表示学习的算法与协同过滤算法相比RMSE下降17.55%，MAE下降11.40%。实验结果表明，运用知识图谱的协同过滤算法可使预测误差显著下降，验证了知识图谱可以作为历史数据缺乏场景下的信息补足，从而帮助协同过滤获得更好的预测效果。

异构信息系统在高校中的大量存在阻碍了数据资产整合与信息交互，面向服务的架构（SOA）的出现及在企业中的广泛采用为解决此问题提供了思路，但在高校中实施SOA存在难度大、难以形成以SOA为基础的信息化生态的问题。针对这些问题，提出主数据管理驱动的SOA建设方案。首先，在数据层面运用主数据管理平台对校级核心数据资产进行建模和整合；为实现数据同步和消费，并解决其中存在的协议转换及服务鉴权问题，提出了基于企业服务总线的解决方案；然后，针对遗留"信息孤岛"系统进行SOA改造，提出主数据驱动的建设方案。实验结果表明单用户、10用户、100用户及10000用户并发下的平均延迟分别为8、11、59及18 ms，表明在不同并发场景下所提方案性能均满足高校业务需求。实施结果表明，数据资产整合和信息交互问题得到了解决，因此方案具有可行性。